使用卷积神经网络的中子成像系统的源定位.

科学领域:

• 核聚变科学 核聚变科学
• 机器学习应用 机器学习应用
• 诊断成像 诊断成像 诊断成像

背景情况:

• 核成像对于在国家点火设施 (NIF) 诊断惯性封闭融合 (ICF) 爆破至关重要.
• 在中子孔径图像中准确地定位源对于重建ICF爆破几何来说至关重要.
• 当前源本地化依赖于代优化算法,这可能是计算密集的.

研究的目的:

• 在NIF核成像中引入和评估基于机器学习的方法来定位核聚变源.
• 将机器学习方法的性能与传统的基于优化的技术进行比较.
• 评估新方法对ICF诊断计算时间和准确性的影响.

主要方法:

• 训练一个卷积神经网络 (CNN) 来从中子孔径图像中预测聚变源位置.
• 使用合成数据和实际的NIF二三 (DT) 射击数据进行模型训练和验证.
• 将CNN方法的计算效率和本地化精度与现有的代优化算法进行比较.

主要成果:

• 开发的机器学习方法显著减少了数量级的计算时间.
• 基于CNN的源本地化实现了与当前基于优化的方法可比的准确性.
• 该方法在合成数据集和现实世界NIF DT实验数据上都表现出有效性.

结论:

• 机器学习,特别是CNN,为NIF核成像中融合源定位提供了高效和准确的替代方案.
• 这一进步可以加速ICF爆破几何学的分析,提高诊断能力.
• 这些发现为更快,更精简的核聚变研究诊断铺平了道路.